論文の概要: Learning Fourier shapes to probe the geometric world of deep neural networks

• arxiv url: http://arxiv.org/abs/2511.04970v1
• Date: Fri, 07 Nov 2025 04:13:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-10 21:00:44.670201
• Title: Learning Fourier shapes to probe the geometric world of deep neural networks
• Title（参考訳）: 深層ニューラルネットワークの幾何学的世界を探索するフーリエ形状の学習
• Authors: Jian Wang, Yixing Yong, Haixia Bi, Lijun He, Fan Li,
• Abstract要約: 最適化された形状が強力なセマンティックキャリアとして機能することを示し、その幾何学的に定義された入力から高信頼な分類を生成する。 また,モデルの正当性領域を正確に分離する高忠実度解釈性ツールであることを示す。
• 参考スコア（独自算出の注目度）: 8.363511344553562
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While both shape and texture are fundamental to visual recognition, research on deep neural networks (DNNs) has predominantly focused on the latter, leaving their geometric understanding poorly probed. Here, we show: first, that optimized shapes can act as potent semantic carriers, generating high-confidence classifications from inputs defined purely by their geometry; second, that they are high-fidelity interpretability tools that precisely isolate a model's salient regions; and third, that they constitute a new, generalizable adversarial paradigm capable of deceiving downstream visual tasks. This is achieved through an end-to-end differentiable framework that unifies a powerful Fourier series to parameterize arbitrary shapes, a winding number-based mapping to translate them into the pixel grid required by DNNs, and signal energy constraints that enhance optimization efficiency while ensuring physically plausible shapes. Our work provides a versatile framework for probing the geometric world of DNNs and opens new frontiers for challenging and understanding machine perception.
• Abstract（参考訳）: 形状とテクスチャの両方が視覚認識の基本であるが、ディープニューラルネットワーク(DNN)の研究は後者に主に焦点を当てており、幾何学的理解が不十分なままである。 まず、最適化された形状が強力なセマンティックキャリアとして機能し、その幾何学的に純粋に定義された入力から高信頼度分類を生成すること、第2に、モデルの健全な領域を正確に分離する高信頼度解釈ツールであること、第3に、下流の視覚タスクを認識可能な、新しい一般化可能な対向パラダイムを構成すること、を示す。 これは、任意の形状をパラメータ化するために強力なフーリエ級数を統一するエンドツーエンドの微分可能なフレームワーク、DNNが要求するピクセルグリッドに変換する巻数ベースのマッピング、物理的に可算な形状を確保しながら最適化効率を高める信号エネルギーの制約によって実現される。 我々の研究は、DNNの幾何学的世界を探索し、機械認識に挑戦し理解するための新たなフロンティアを開くための多用途フレームワークを提供する。

関連論文リスト

• Geometry-Editable and Appearance-Preserving Object Compositon [67.98806888489385]
  汎用オブジェクト合成(GOC)は、対象オブジェクトを望まれる幾何学的性質を持つ背景シーンにシームレスに統合することを目的としている。 近年のアプローチは意味的埋め込みを導出し、それらを高度な拡散モデルに統合し、幾何学的に編集可能な生成を可能にする。 本稿では,まずセマンティックな埋め込みを活用して,所望の幾何学的変換を暗黙的にキャプチャするDistangled Geometry-editable and Outearance-Preserving Diffusionモデルを提案する。
  論文  参考訳（メタデータ） (2025-05-27T09:05:28Z)
• Geometry Distributions [51.4061133324376]
  本稿では,分布として幾何学をモデル化する新しい幾何学的データ表現を提案する。 提案手法では,新しいネットワークアーキテクチャを用いた拡散モデルを用いて表面点分布の学習を行う。 本研究では,多種多様な対象に対して質的かつ定量的に表現を評価し,その有効性を実証した。
  論文  参考訳（メタデータ） (2024-11-25T04:06:48Z)
• Learning Dynamic Tetrahedra for High-Quality Talking Head Synthesis [31.90503003079933]
  我々は、ニューラルネットワークによる明示的な動的メッシュをエンコードする新しいハイブリッド表現であるDynamic Tetrahedra(DynTet)を紹介する。 以前の研究と比較すると、DynTetは様々なメトリクスに従って忠実さ、唇の同期、リアルタイムのパフォーマンスを著しく改善している。
  論文  参考訳（メタデータ） (2024-02-27T09:56:15Z)
• Learning Robust Generalizable Radiance Field with Visibility and Feature Augmented Point Representation [7.203073346844801]
  本稿では、一般化可能なニューラル放射場(NeRF)のための新しいパラダイムを提案する。 本稿では、画像ベースレンダリングではなく、点ベースに基づく一般化可能なニューラルネットワークを構築するための第1のパラダイムを提案する。 我々のアプローチは、幾何的先行性によって鮮度を明示的にモデル化し、それらをニューラル特徴で拡張する。
  論文  参考訳（メタデータ） (2024-01-25T17:58:51Z)
• A quatum inspired neural network for geometric modeling [14.214656118952178]
  本稿では,MPSベースのメッセージパッシング戦略を提案する。 本手法は,多体関係を効果的にモデル化し,平均場近似を抑える。 これは幾何学的GNNに固有の標準メッセージパッシングおよびレイヤ集約モジュールをシームレスに置き換える。
  論文  参考訳（メタデータ） (2024-01-03T15:59:35Z)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• Provable Defense Against Geometric Transformations [4.281091463408283]
  決定論的証明された幾何的堅牢性に対する最初の証明可能な防御法を提案する。 我々のフレームワークは、常に最先端の決定論的証明された幾何的堅牢性とクリーンな精度を実現していることを示す。 われわれは初めて、自律運転の挑戦的で現実的な設定のためのニューラルネットワークの幾何学的堅牢性を検証する。
  論文  参考訳（メタデータ） (2022-07-22T16:40:03Z)
• Neural Convolutional Surfaces [59.172308741945336]
  この研究は、大域的、粗い構造から、微細で局所的で、おそらく繰り返される幾何学を歪める形状の表現に関係している。 このアプローチは, 最先端技術よりも優れたニューラル形状圧縮を実現するとともに, 形状詳細の操作と伝達を可能にする。
  論文  参考訳（メタデータ） (2022-04-05T15:40:11Z)
• Fusing the Old with the New: Learning Relative Camera Pose with Geometry-Guided Uncertainty [91.0564497403256]
  本稿では,ネットワークトレーニング中の2つの予測系間の確率的融合を含む新しい枠組みを提案する。 本ネットワークは,異なる対応間の強い相互作用を強制することにより学習を駆動する自己追跡グラフニューラルネットワークを特徴とする。 学習に適したモーションパーマリゼーションを提案し、難易度の高いDeMoNおよびScanNetデータセットで最新のパフォーマンスを達成できることを示します。
  論文  参考訳（メタデータ） (2021-04-16T17:59:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。